Fed-LDR：联邦本地数据融合图创建与节点中心模型精化
机器学习
2024-12-10 v1 分布式、并行与集群计算
社会与信息网络
摘要
全球城市化的快速加速带来了提升城市基础设施和服务的新挑战。整合空间和时间维度的时空数据已成为理解城市现象和促进可持续发展的关键工具。在这一背景下，联邦学习（FL）作为一种与城市物联网环境隐私需求相一致的分布式学习范式获得了广泛关注。然而，将传统和深度学习模型集成到FL框架中面临重大挑战，特别是在捕捉复杂的时空依赖关系和适应多样化城市条件方面。为应对这些挑战，我们提出了联邦本地数据融合图创建与节点中心模型精化（Fed-LDR）算法。Fed-LDR利用FL和图卷积网络（GCN）来增强城市环境中的时空数据分析。该算法包含两个关键模块：（1）本地数据融合图创建（LDIGC）模块，动态重配置邻接矩阵以反映城市环境中演化的空间关系；（2）节点中心模型精化（NoMoR）模块，为单个城市节点定制模型参数以适应异质性。在PeMSD4和PeMSD8数据集上的评估证明了Fed-LDR优于六种基线方法。Fed-LDR在这两个数据集上分别实现了最低的平均绝对误差（MAE）20.15和17.30，以及最低的均方根误差（RMSE）32.30和27.15，同时保持了0.96的高相关系数。特别值得注意的是，在PeMSD4数据集上，Fed-LDR相比表现最佳的基线方法FedMedian将MAE和RMSE分别降低了高达81%和78%。
引用
@article{arxiv.2411.04936,
title = {Fed-LDR: Federated Local Data-infused Graph Creation with Node-centric Model Refinement},
author = {Jiechao Gao and Yuangang Li and Syeda Faiza Ahmed},
journal= {arXiv preprint arXiv:2411.04936},
year = {2024}
}